基于SVM的苯酚浓度半监督软测量方法
基于SVM的监督学习方法一般是通过采用标记样本去训练SVM回归模型,从而得到支持向量,且只有这些支持向量对模型的估计才有贡献.然而在实际应用中,通过取样分析获得的标记样本一般数量较少,且难以覆盖整个样本空间,所以训练出来的SVM回归模型的支持向量也不够完整,影响模型的估计精度和泛化能力.针对该问题,本文利用未标记样本中信息较为丰富的可能支持向量,采用本文提出的判定准则和标记方法，比如寻找无标记样本中的psv、对标记样本采取附加条件再次筛选等，用于SVM回归模型的学习,仿真结果表明,随着未标记样本中支持向量的增加,SVM回归模型的估计精度和泛化能力得到改善.
双酚A生产 苯酚浓度 软测量方法 支持向量机 监督学习法
章军 杨慧中
江南大学教育部轻工过程先进控制重点实验室,江苏,无锡,214122
国内会议
呼和浩特
中文
1453-1456
2013-08-01（万方平台首次上网日期，不代表论文的发表时间）